田浪博，赵耀，邱月，胡命嘉，宫玉琳

（长春理工大学 电子信息工程学院，长春 130022）

手在人们的日常生产生活中扮演着不可或缺的角色，是人体与外界交流的媒介之一，因此上肢残缺丧失了日常生活的能力，降低了生活的幸福感。得益于人工智能、深度学习等技术的迅猛发展，智能假肢开始出现在残疾人群的日常生活中，有效改善了肢体残疾人群的生活质量。表面肌电信号（Surface Electromyography Signal，sEMG）能有效地反映出人体在动作的生理变化，在智能假肢控制领域意义重大[1]。

表面肌电（sEMG）信号是骨骼肌收缩时，在皮肤表面利用肌电传感器以无创的方式记录下来的生物电信号，其中蕴含着丰富的与神经肌肉活动、运动意图相关的信息，成为控制假手的理想信号源[2-3]。利用特征提取和模式识别技术，对不同手势动作过程中产生的肌电信号实现自动识别、分类，这正是基于sEMG实现智能假手控制的关键所在[4]。

目前，基于表面肌电信号的手臂动作识别主要分为上肢大幅度动作模式和手指精细动作两种。文献[5]对小臂旋前/后、腕部弯曲/伸展等8种上肢大幅度动作模式进行分类，其正确识别率达到73%～97%。文献[6]对8通道的sEMG提取时域特征，再结合粒子群（PSO）优化算法和蚁群（ACO）优化算法，利用SVM、LDA以及朴素贝叶斯（NB）搭建手势分类模型，其准确率最高达到了95%。

根据现阶段研究现状，本文提出一种基于多通道表面肌电信号的手势识别研究方案。利用优化后的支持向量机对多种手指动作进行分类，搭建手势分类识别模型，为后续智能假肢的实时控制奠定基础。……